人工智能（Artificial Intelligence, AI）的发展是一段跨越百年的探索史，融合了数学、计算机科学、神经科学等多学科智慧。以下按关键阶段梳理其历史脉络：

一、萌芽期（1940s-1950s）：概念诞生与理论奠基

• 1943年：神经科学家沃伦·麦卡洛克（Warren McCulloch）和逻辑学家沃尔特·皮茨（Walter Pitts）发表《神经活动中内在思想的逻辑演算》，提出人工神经元模型，首次用数学公式描述神经元的工作原理，为后来的神经网络奠定基础。
• 1946年：第一台电子计算机ENIAC诞生，为AI提供了硬件载体。
• 1950年：艾伦·图灵（Alan Turing）发表《计算机器与智能》，提出著名的“图灵测试”，探讨机器是否能表现出与人类等价的智能行为，成为AI的核心哲学命题。
• 1956年：达特茅斯会议（Dartmouth Conference）召开，约翰·麦卡锡（John McCarthy）等科学家首次提出“人工智能（Artificial Intelligence）”概念，标志着AI作为一门独立学科正式诞生。

二、早期发展与第一次AI寒冬（1950s末-1970s）

• 1950s末-1960s：AI研究聚焦于符号主义（Symbolism），即通过逻辑规则和符号推理模拟智能。
  • 1958年，麦卡锡发明LISP编程语言，成为AI研究的重要工具。
  • 1965年，赫伯特·西蒙（Herbert Simon）和艾伦·纽厄尔（Allen Newell）开发“通用问题求解器（GPS）”，试图用逻辑推理解决多种问题。
  • 机器翻译领域出现“ALPAC报告”：1966年，美国政府因机器翻译进展缓慢（如“the spirit is willing but the flesh is weak”被译为“酒是好的，但肉已变质”），停止资助相关研究，引发第一次AI寒冬。
• 1970s：符号主义局限性显现（如无法处理模糊、非结构化问题），加上计算能力不足，科研 funding 锐减，进入第一次AI寒冬。

三、专家系统繁荣与第二次AI寒冬（1980s-1990s初）

• 1980s：专家系统成为主流，通过将领域专家知识编码为规则库，实现特定领域的智能决策（如医疗诊断、地质勘探）。
  • 1980年，卡内基·梅隆大学开发“XCON”系统，用于配置计算机硬件，在IBM等企业广泛应用，推动商业化热潮。
  • 日本提出“第五代计算机计划”，试图用AI技术构建超级智能计算机，但因过于理想化（忽视机器学习等方向）最终失败。
• 1980s末-1990s初：专家系统维护成本高昂（规则库难以扩展）、通用AI进展停滞，加上硬件成本下降，企业纷纷放弃，政府资助缩减，进入第二次AI寒冬。

四、机器学习崛起与实用化突破（1990s-2010s）

• 1990s：连接主义（Connectionism） 复兴，即通过神经网络模拟人脑结构，核心是机器学习（让机器从数据中自动学习规律）。
  • 1997年，IBM“深蓝（Deep Blue）”击败国际象棋世界冠军卡斯帕罗夫，标志着AI在特定领域超越人类。
  • 2001年，Paul Viola和Michael Jones提出Viola-Jones算法，实现快速人脸检测，推动计算机视觉实用化。
• 2006年：杰弗里·辛顿（Geoffrey Hinton）提出“深度学习（Deep Learning）”概念，通过多层神经网络（深度神经网络）解决传统机器学习的“特征提取瓶颈”，并提出“反向传播算法优化深度网络”，开启深度学习时代。
• 2010年：深度学习在计算机视觉领域突破：Hinton团队用深度卷积神经网络（CNN）在ImageNet图像识别竞赛中准确率远超传统方法，证明深度学习的潜力。

五、爆发期（2010s至今）：大模型与全民AI

• 2012年：AlexNet（深度CNN）在ImageNet竞赛中碾压传统算法，深度学习成为AI核心技术。
• 2016年：Google DeepMind的“AlphaGo”击败围棋世界冠军李世石，标志着AI在复杂决策领域（围棋的可能性远超宇宙原子数）取得突破，引发全球AI热潮。
• 2017年：Google提出Transformer架构（基于自注意力机制），解决了长序列数据处理问题，成为后续大语言模型的核心框架。
• 2020年：OpenAI发布GPT-3（1750亿参数），展现出强大的自然语言生成能力，推动大语言模型（LLM）商业化。
• 2022年至今：ChatGPT（2022）、GPT-4、Claude、文心一言等大模型相继问世，AI从专业领域走向大众，在内容创作、客服、教育等场景广泛应用，同时引发关于伦理、就业、安全的全球讨论。

总结：AI发展的核心逻辑

• 技术驱动：从符号推理到机器学习，再到深度学习和大模型，算力（GPU/TPU）、数据量（互联网数据）和算法（Transformer）的突破是关键。
• 周期波动：两次AI寒冬证明，过度理想化的预期与技术落地能力的差距会导致行业起伏，而实用化突破（如深蓝、AlphaGo、ChatGPT）则重新点燃热情。
• 终极目标：从“弱AI”（特定任务智能，如语音助手）向“强AI”（人类级通用智能）演进，仍是当前AI研究的长远愿景。

人工智能的历史不仅是技术的进步史，更是人类对“智能本质”和“机器与人类关系”的持续探索史。